目标检测装置的制造方法
【技术领域】
[0001] 本实用新型设及目标检测技术领域，尤其设及一种目标检测装置。
【背景技术】
[0002]目前，目标检测在学术上有许多模型，其中可形变部件模型值eform油lePart Model,DPM)是最近最为流行的图形中物体检测模型，由于能准确的检测出目标而受到欢 迎，是公认最好的目标检测算法。
[0003] 但是，目前使用DPM的目标检测技术应用于车辆、行人的检测时，其检测效果仍需 提升。现有目标检测技术检测效率、检测精度不仅未能达到实际要求，而且难W大规模工业 化应用。
【发明内容】
[0004] 为解决现有目标检测技术检测效率、检测精度未能达到实际要求的技术问题，本 实用新型实施例提供一种目标检测装置。 阳〇化]为达到上述目的，本实用新型实施例的技术方案是运样实现的：
[0006] 一种目标检测装置，所述装置包括：
[0007] 特征图检测设备，获取输入图像的特征图及两倍分辨率特征图并传输给滤波设 备；
[0008] 滤波设备，包括一个根滤波器和多个部件滤波器；所述根滤波器接收所述特征图 检测设备传输过来的特征图并作用在所述特征图上抓取目标物体的全局特征，将所述全局 特征传输给分类检测设备；各个所述部件滤波器接收所述特征图检测设备传输过来的所述 两倍分辨率的特征图并作用在所述两倍分辨率的特征图上抓取目标物体的局部特征，将所 述局部特征传输给所述分类检测设备；
[0009] 分类检测设备，包括基于EM算法训练的多个SVM分类器，用于接收所述滤波设备 传输过来的目标物体的全局特征W及局部特征，并根据所述目标物体的全局特征W及局部 特征，识别所述输入图像中的目标物体，输出检测结果。
[0010] 其中，所述根滤波器与所述多个部件滤波器构成星型结构。
[0011] 其中，所述部件滤波器的位置可移动，所述局部特征包括目标物体的形态变化特 征。 阳01引其中，所述分类检测设备采用基于EM算法训练混合SVM模型，通过多个线性SVM模型之间的相互补偿作用，将需检测的目标物体按照视角或者形状的不同分为多个子类， 为每个子类构建对应的SVM模型，得到多个SVM分类器，W检测出各种不同视角下的目标物 体。
[0013] 其中，所述滤波设备为采用加权可变形部件模型的滤波设备。
[0014] 本实用新型提供的目标检测装置通过可变形部件模型W及多个SVM分类器实现 目标检测，不仅能够显著提升检测效率、检测精度，检测精度和性能已经能够满足实际要 求，并有望在短期内达到大规模工业化的应用。可w应用在车流量统计、人流量统计、汽车 安全驾驶、车辆违规检测等方面。
【附图说明】
[001引在附图（其不一定是按比例绘制的）中，相似的附图标记可在不同的视图中描述 相似的部件。具有不同字母后缀的相似附图标记可表示相似部件的不同示例。附图W示例 而非限制的方式大体示出了本文中所讨论的各个实施例。
[0016] 图1为本实用新型目标检测装置的组成结构示意图；
[0017] 图2为本实用新型在EM算法框架下对混合SVM的训练过程示意图；
[001引图3为本实用新型多个SVM对原始问题的子划分示意图；
[0019] 图4为本实用新型混合SVM模型在PASCALV0C2007数据集上进行测试时在20类 上的检测平均精度示意图。
【具体实施方式】
[0020] 本实用新型实施例提供一种目标检测装置，如图1所示，所述装置包括：
[0021]特征图检测设备11，获取输入图像的特征图及两倍分辨率特征图并传递给滤波设 备；
[0022] 滤波设备12,包括一个根滤波器和多个部件滤波器，所述根滤波器作用在所述特 征图上，抓取目标物体的全局特征并将所述全局特征传递给分类检测设备，各个所述部件 滤波器作用在所述两倍分辨率的特征图上，抓取目标物体的局部特征并将所述局部特征传 递给所述分类检测设备；
[0023] 分类检测设备13,包括基于EM算法训练的多个SVM分类器，用于根据目标物体的 所述全局特征W及局部特征，识别所述输入图像中的目标物体，并输出检测结果。
[0024] 本实用新型实施例的目标检测装置可应用于车流量的统计项目中，其检测精度和 性能已经达到实际要求，并有望在短期内达到大规模工业化的应用。同时其也可W应用在 人流量统计、汽车的安全驾驶、车辆违规检测等方面。
[00巧]本实施例对本实用新型目标检测装置的具体实现进行详细说明。
[00%] 本实用新型实施例的目标检测装置主要基于加权的可变形部件模型和EM训练混 合SVM等技术，在行人和车辆等类似物体的检测上取得了很好的效果。
[0027] 其中，目标检测装置中滤波设备采用可变形部件模型，该可变形部件模型是由一 个根滤波器和若干部件滤波器构成的一个星形模型，该可变形部件模型综合考虑了目标的 整体信息及各部分的表象信息及其空间关系，可W提取到比基于整体的方法更加丰富的信 息。
[0028] 该可变形部件模型的主要特点有W下两点：
[0029](1)全局与局部相结合的特征描述能力，根滤波器对目标来讲是一种全局模板，可 W抓住目标的全局特征，而部件滤波器是一种局部模板，并且作用在二倍分辨率的特征图 上，可W有效地描述目标的局部特征；
[0030] (2)对于目标形态变化的描述能力，由于根滤波器是刚性的，不具备处理形变的能 力，而在可变形部件模型中部件滤波器的位置是可W移动的，该特性能够有效地处理人体 等目标的形态变化。
[0031] 因此，采用根滤波器与部件滤波器构成的星型结构能有效地提升检测性能。
[0032] 本实用新型目标检测装置中采用的可变形部件模块为加权可变形部件模块，该 加权可变形模型在现有可变形部件模型的基础上有W下两点改进用W提升可变形部件模 型的检测性能：
[0033] 1)加权部件模型。综合分析各个部件分类器性能的强弱，通过加权部件可W加强 显著区域的分类性能，强化一些部件在检测效果中的利用。
[0034] 运里，加权部件模型即为加权的可变形部件模型，对不同的部件加W不同的权重， 相当于给可变形部件模型的每一个部件对应的检测得分乘上一个权重使更有效的部件受 到更多的重视，最大化的发挥各个部件的作用，从而得到更好的检测效果。
[0035] 2)由于单一的线性SVM模型并不能有效地对二分类问题的分类进行解决，而非线 性的SVM模型的计算复杂度又很高，难W达到实时检测的目的。本实用新型实施例采用通 过EM算法训练混合SVM模型。
[0036] EM算法，即最大期望算法巧xpectationMaximizationAlgorithm,又译期望最 大化算法），是一种迭代算法，用于含有隐变量化iddenvari油le)的概率参数模型的最 大似然估计或极大后验概率估